An approach to image reconstruction and material decomposition in spectral tomography with diffusion model regularization.

Les méthodes de tomographie spectrale exploitent la dépendance en énergie de l’atténuation des rayons X pour reconstruire des images spécifiques aux matériaux présents dans l’objet ou le pa- tient scanné. Cette tâche de reconstruction constitue un problème inverse mal posé, nécessitant l’introduction de régularisation ou de connaissances a priori.Récemment, les modèles génératifs, et en particulier les modèles de diffusion, ont montré des performances remarquables dans la modélisation des distributions d’images naturelles. Ces avan- cées ouvrent de nouvelles perspectives pour l’intégration d’a priori appris dans des problèmes inverses.Cette thèse explore l’utilisation des modèles de diffusion comme a priori appris pour la reconstruc- tion CT spectrale où la forte dépendance entre les canaux d'énergie est implicitement restituée par l'a priori du modèle génératif. De plus, nous étendons cette approche à la décomposition en maté- riaux et proposons une méthode dans le cas de matériaux additionnels non présents lors de l'ap- prentissage. Nous montrons que ces modèles constituent des régularisateurs puissants etflexibles, surpassant les techniques classiques en termes de qualité de reconstruction.